يدعي كل بنك كبير أنه يستخدم الذكاء الاصطناعي. يعلنون الآن عن روبوتات المحادثة لخدمة العملاء، وأنظمة كشف الاحتيال، ومكاتب التداول الخوارزمي. لكن هذه التطبيقات تمثل في الغالب قفزات بسيطة في الأتمتة مضمنة على بنية تحتية عمرها عقود، وليست تحولاً جذريًا.
السؤال الحقيقي الذي يواجه صناعة التمويل في عام 2025 ليس ما إذا كانت البنوك ستستخدم الذكاء الاصطناعي، ولكن ما إذا كان الذكاء الاصطناعي سيعيد برمجة البنوك نفسها بشكل أساسي - مما يحول المؤسسات المالية إلى أنظمة ذكية حقيقية حيث يتدفق كل عملية وقرار وتفاعل مع العميل عبر الذكاء الاصطناعي.
جي بي مورجان تشيس، أكبر بنك في العالم من حيث قيمة السوق، يتبع ما يسميه "المؤسسة المتصلة بالكامل بالذكاء الاصطناعي،" حيث توفر لكل موظف وكلاء ذكاء اصطناعي وبالتالي تقوم بأتمتة كل عملية خلف الكواليس وتنظم كل تجربة عميل بالاعتماد على الذكاء الاصطناعي. هذه الرؤية تمتد أبعد بكثير من الأتمتة السطحية التي تميز معظم مبادرات التكنولوجيا في البنوك. إنها تمثل محاولة لإعادة تصوّر جوهر عمل البنك وكيفية تشغيله. فهم هذا التحول يتطلب تمييز الفرق بين الوعود الدعائية والتغيير الجذري، وفحص القدرات التقنية الناشئة اليوم والآثار التنظيمية والاقتصادية والتنظيمية العميقة التي تحملها.
الرهانات ضخمة. تقديرات شركة الاستشارات ماكينزي تشير إلى أن الذكاء الاصطناعي التوليدي يمكن أن يخلق بين 200 مليار و340 مليار دولار من القيمة الإضافية سنويًا عبر قطاع البنوك إذا قامت المؤسسات بتعظيم تطبيقه عبر الامتثال التنظيمي، وخدمة العملاء، وتطوير البرمجيات، وإدارة المخاطر. ولكن تحقيق هذا الإمكانية يتطلب أكثر من مجرد نشر أدوات جديدة. إنه يتطلب إعادة بناء البنوك من أساسها، مواجهة الأنظمة القديمة المستقرة، التنقل في الأطر التنظيمية غير المؤكدة، وإدارة اضطراب القوى العاملة الذي قد يعيد تشكيل العمل عبر الصناعة. and customer satisfaction. This addresses a persistent challenge in consumer banking: customer service representatives must navigate vast repositories of product information, regulatory requirements, and procedural guidelines. AI that can instantly surface relevant information transforms their effectiveness.
For technology teams, JPMorgan deployed a coding assistant that has been playing a significant role in improving software development efficiency, with the bank seeing 10 to 20 percent productivity increases. Given that Goldman Sachs equipped 12,000 of its developers with generative AI and cites significant productivity gains, this application represents a broad industry trend. Software development represents a particularly strong use case for AI because coding involves translating requirements into logical sequences of instructions - precisely the kind of pattern-matching and generation task where language models excel.
The most ambitious aspect of JPMorgan's initiative involves the transition from generative AI that creates content to agentic AI that executes processes. According to an internal roadmap, JPMorgan is now early in the next phase of its AI blueprint, having begun deploying agentic AI to handle complex multistep tasks for employees, with these agents becoming increasingly powerful in their capabilities and connectivity throughout the institution. This transition represents a fundamental escalation in AI's role, moving from assisting humans to autonomously executing tasks.
The vision extends to complete organizational integration. JPMorgan's broad vision is for a future where the bank is a fully AI-connected enterprise, with every employee provided with AI agents, every behind-the-scenes process automated, and every client experience curated with AI concierges. Realizing this vision, however, faces substantial obstacles. Even with an $18 billion annual technology budget, it will take years for JPMorgan to realize AI's potential by stitching the cognitive power of AI models together with the bank's proprietary data and software programs, with thousands of different applications requiring significant work to connect into an AI ecosystem.
The financial impact of JPMorgan's AI investments has begun materializing. The bank's first-quarter earnings in 2025 reflected the strategic importance of these innovations, reporting net income of $14.6 billion, up 9 percent year-over-year, with investments in AI and technology cited as major contributors to this performance. This validates the business case for AI transformation, demonstrating that the technology delivers measurable value rather than merely consuming resources in pursuit of speculative benefits.
JPMorgan's approach offers important lessons about AI transformation at scale. First, the bank prioritized internal, employee-facing applications before launching client-facing AI products. This strategy allows institutions to capture immediate efficiency gains while battle-testing technology in controlled, lower-risk environments. Second, the portal architecture that leverages multiple external models while protecting proprietary data provides a template for other regulated institutions navigating similar security and compliance requirements. Third, the emphasis on comprehensive integration rather than isolated pilot projects reflects recognition that AI's greatest value emerges from system-wide deployment rather than point solutions.
Transformation Across Banking Domains
Understanding how AI reshapes banking requires examining specific domains where the technology's impact manifests most dramatically. Each area of banking operations presents distinct challenges and opportunities for AI transformation.
Investment Banking: From Analyst Armies to AI Augmentation
Investment banking traditionally operated through a hierarchical model where junior analysts performed grunt work - building financial models, creating presentations, conducting research - while senior bankers focused on client relationships and deal structuring. AI fundamentally disrupts this model by automating much of the analytical drudgery while augmenting strategic decision-making.
JPMorgan's demonstration of creating investment banking presentations in 30 seconds illustrates this transformation. The implications extend beyond simple time savings. Investment banks have long faced criticism for brutal junior analyst working conditions, with 80 to 100 hour weeks common for entry-level employees. If AI can handle tasks that previously consumed thousands of analyst hours, banks face decisions about workforce sizing and the traditional apprenticeship model where junior analysts learn by doing extensive analytical work.
AI's capabilities in this domain continue expanding. The systems can now analyze earnings reports, synthesize market research, build comparable company analyses, and generate initial drafts of pitch materials. They can scan news feeds for relevant information about clients and prospects, monitor regulatory filings for material changes, and flag potential deal opportunities based on pattern recognition across vast datasets.
The strategic implications reach beyond efficiency. Investment banks compete largely on the depth of their industry knowledge, the sophistication of their analysis, and the speed with which they can respond to client needs. AI that rapidly synthesizes information across multiple sources and generates sophisticated analysis could compress the timeline for deal processes, raise analytical quality, and enable smaller teams to compete with larger institutions that traditionally wielded advantages through analyst armies.
However, investment banking also illustrates AI's current limitations. Deal-making fundamentally involves judgment calls about valuation, timing, competitive dynamics, and client relationships. While AI can inform these decisions by analyzing relevant data and generating options, the ultimate choices require human judgment shaped by experience, intuition, and interpersonal understanding that current AI systems lack. The most successful firms will likely be those that most effectively blend AI's analytical capabilities with human strategic insight.
Retail and Consumer Banking: Personalization at Scale
Retail banking faces different challenges than investment banking. Rather than supporting small numbers of high-value transactions, consumer banking handles millions of relatively standardized interactions. AI's ability to deliver personalized experiences at mass scale makes it particularly powerful in this domain.
Fraud detection represents one of the most mature AI applications in consumer banking. Traditional rules-based systems flagged transactions that matched predetermined suspicious patterns - large cash withdrawals, international purchases, rapid sequences of transactions. These systems generated many false positives while missing sophisticated fraud schemes. Modern AI systems analyze vast numbers of variables simultaneously, recognize subtle patterns that indicate fraud, and continuously learn from new fraud techniques. JPMorgan uses AI to curtail fraud, and such systems now operate across the industry.
Customer service represents another major application domain. Banks like HSBC use generative AI to create customized product recommendations based on individual spending habits. Rather than offering the same credit card or savings account to all customers, AI analyzes individual transaction histories, identifies patterns, and suggests products aligned with specific financial behaviors and needs. This personalization extends to timing - AI can determine optimal moments to present offers when customers are most likely to engage.
Account management processes that traditionally required extensive human involvement increasingly flow through AI systems. Opening accounts, verifying identities, assessing creditworthiness, and resolving routine issues can all be handled through AI-powered systems with human intervention reserved for edge cases and complex situations. This dramatically reduces operational costs while potentially improving customer experience through faster processing and 24/7 availability.
The vision extends to AI-powered financial advisors that provide personalized guidance across the customer base. Banks leverage AI-powered insights to understand customer behavior more deeply, with algorithms analyzing spending patterns and financial behaviors to provide personalized recommendations, and advanced machine learning models assessing risk tolerance through both traditional questionnaires and behavioral data. This democratizes financial planning capabilities that previously required human advisors accessible only to wealthy clients.
The consumer banking transformation, however, raises important questions about financial inclusion and algorithmic bias. AI systems trained on historical data can perpetuate or amplify existing disparities in credit access, insurance pricing, and financial services availability. Banks deploying AI in consumer-facing applications must grapple with ensuring their systems treat all customers fairly while remaining profitable businesses.
Risk Management and Compliance: Intelligent Monitoring
Banking fundamentally involves managing risk - credit risk, market risk, operational risk, liquidity risk, and compliance risk. AI transforms risk management by enabling continuous, comprehensive monitoring at scales impossible for human analysts.
Know Your Customer and Anti-Money Laundering processes exemplify AI's impact on compliance operations. HSBC's AI-powered approach enables the bank to navigate contemporary financial crime complexities by identifying unusual patterns and potentially illegal activities, proving far more effective at distinguishing between normal and suspicious behavior than traditional methods. Traditional compliance systems relied on rules-based screening that
Content in Arabic:
والرضا العام للعملاء. هذا يتناول تحديًا مستمرًا في القطاع المصرفي الاستهلاكي: يجب على ممثلي خدمة العملاء استكشاف مستودعات ضخمة من معلومات المنتجات، ومتطلبات اللوائح، ودلائل الإجراءات. الذكاء الاصطناعي الذي يمكنه استخراج المعلومات ذات الصلة على الفور يحول فعالية هؤلاء الممثلين.
بالنسبة لفرق التكنولوجيا، قامت JPMorgan بنشر مساعد برمجي يلعب دوراً هاماً في تحسين كفاءة تطوير البرمجيات، حيث يحقق البنك زيادة في الإنتاجية تتراوح بين 10 إلى 20 بالمائة. وفقاً لأن Goldman Sachs زود 12,000 من مطوريها بذكاء الاصطناعي التوليدي وتحقيق مكاسب كبيرة في الإنتاجية. يمثل هذا التطبيق اتجاهًا عامًا في الصناعة. يمثل تطوير البرمجيات استخدامًا قويًا للذكاء الاصطناعي نظرًا لأن البرمجة تتضمن تحويل المتطلبات إلى تسلسل منطقي من التعليمات - وهذا بالتحديد هو النوع من مهام المطابقة التلقائية والتوليد التي تبرع فيها نماذج اللغة.
الجانب الأكثر طموحًا في مبادرة JPMorgan يتضمن الانتقال من الذكاء الاصطناعي التوليدي الذي يخلق المحتوى إلى الذكاء الاصطناعي الوكيل الذي ينفذ العمليات. وفقًا لخريطة الطريق الداخلية، فإن JPMorgan الآن في مرحلة مبكرة من المرحلة التالية لخطة عملها الذكاء الاصطناعي، حيث بدأت في نشر الذكاء الاصطناعي الوكيل للتعامل مع المهام المعقدة المستندة إلى خطوات متعددة للموظفين، مع زيادة قوة هذه الوكلاء في قدراتها وتواصلها عبر المؤسسة. يمثل هذا الانتقال تصعيدًا جوهريًا في دور الذكاء الاصطناعي، حيث ينتقل من مساعدة البشر إلى تنفيذ المهام بشكل مستقل.
تتطلع الرؤية إلى التكامل التنظيمي الكامل. الرؤية الواسعة لـ JPMorgan هي مستقبل يكون فيه البنك مؤسسة متصلة تمامًا بالذكاء الاصطناعي، حيث يتم توفير وكلاء الذكاء الاصطناعي لكل موظف، وتتم أتمتة كل عملية وراء الكواليس، وتقديم تجربة لكل عميل برعاية من خادمات الذكاء الاصطناعي. تحقيق هذه الرؤية، مع ذلك، يواجه عقبات كبيرة. حتى بميزانية تكنولوجية سنوية تبلغ 18 مليار دولار، سيستغرق الأمر سنوات لـ JPMorgan لتحقيق الإمكانات الكاملة للذكاء الاصطناعي من خلال الجمع بين قوة النماذج الذكائية ومعرفة البنك وبرامجه الخاصة، مع الحاجة إلى عمل مكثف لربط الآلاف من التطبيقات المختلفة في نظام بيئي للذكاء الاصطناعي.
بدأ الأثر المالي لاستثمارات JPMorgan في الذكاء الاصطناعي في الظهور. عكست أرباح البنك للربع الأول من عام 2025 الأهمية الاستراتيجية لهذه الابتكارات، حيث أعلن عن دخل صافي بلغ 14.6 مليار دولار، بزيادة نسبتها 9 بالمائة على أساس سنوي، مع الإشارة إلى الاستثمارات في الذكاء الاصطناعي والتكنولوجيا كعوامل رئيسية في هذا الأداء. أكد هذا على جدوى العمل للتحول الرقمي الذكي، مما يوضح أن التقنية تقدم قيمة قابلة للقياس بدلاً من مجرد استهلاك الموارد سعيًا لتحقيق فوائد تخمين.
توفر منهجية JPMorgan دروسًا هامة حول التحول الرقمي في مجال الذكاء الاصطناعي على نطاق واسع. أولاً، أعطى البنك الأولوية لتطبيقات مواجهة الموظفين الداخلية قبل إطلاق منتجات الذكاء الاصطناعي التي تواجه العملاء. تسمح هذه الاستراتيجية للمؤسسات بتحقيق مكاسب فورية في الكفاءة في حين تجريب التقنية في بيئات منخفضة الخطورة ومنضبطة. ثانيًا، توفر هندسة البوابة التي تستفيد من نماذج خارجية متعددة في حين تحمي البيانات الخاصة بالشركة نموذجًا للمؤسسات المنظمة الأخرى التي تتنقل في متطلبات الأمان والامتثال المماثلة. ثالثًا، يعكس التركيز على التكامل الشامل بدلاً من المشاريع التجريبية المعزولة اعترافًا بأن أكبر قيمة للذكاء الاصطناعي تبرز من النشر النظامي بدلاً من الحلول النقطية.
التحول عبر مجالات العمل المصرفي
لفهم كيفية إعادة تشكيل الذكاء الاصطناعي للقطاع المصرفي، يجب فحص المجالات المحددة حيث يظهر تأثير التقنية بشكل كبير. كل جزء من عمليات العمل المصرفي يقدم تحديات وفرص مميزة لتحول الذكاء الاصطناعي.
الاستثمار المصرفي: من جيوش المحللين إلى تعزيز الذكاء الاصطناعي
يعمل المجال المصرفي الاستثماري تقليديًا من خلال نموذج هرمي حيث يقوم المحللون الصغار بالأعمال الروتينية - بناء النماذج المالية، إنشاء العروض التقديمية، إجراء الأبحاث - بينما يركز كبار المصرفيين على علاقات العملاء وهيكلة المشروعات. يعيق الذكاء الاصطناعي بشكل جذري هذا النموذج من خلال أتمتة الكثير من الأعمال التحليلية بجانب تعزيز اتخاذ القرارات الاستراتيجية.
توضيح JPMorgan لإنشاء العروض التقديمية في المجال المصرفي الاستثماري خلال 30 ثانية يوضح هذا التحول. تتجاوز التداعيات مجرد توفير الوقت. ارتفعت الانتقادات للبنوك الاستثمارية نظرًا لظروف العمل القاسية للمحللين الصغار، حيث كانت أسابيع العمل من 80 إلى 100 ساعة شائعة لموظفي المستوى الأقل. إذا تمكن الذكاء الاصطناعي من التعامل مع المهام التي كانت تستهلك آلاف الساعات التحليلية، فإن البنوك تواجه قرارات بشأن حجم القوى العاملة والنموذج التقليدي للتدريب المهني حيث يتعلم المحللون الصغار من خلال القيام بعمل تحليلي واسع.
تستمر قدرات الذكاء الاصطناعي في هذا المجال في التوسع. يمكن للأنظمة الآن تحليل تقارير الأرباح، وتركيب الأبحاث السوقية، وبناء تحليلات الشركات المماثلة، وإنشاء مسودات أولية لمواد العروض التقديمية. يمكنها فحص التغذية الأخبارية للحصول على معلومات ذات صلة حول العملاء والآفاق، ورصد الإفصاحات التنظيمية للتغييرات المادية، والإشارة إلى فرص الصفقات المحتملة بناءً على التعرف على الأنماط عبر مجموعات البيانات الكبيرة.
تمتد التداعيات الاستراتيجية إلى ما بعد الكفاءة. تتنافس البنوك الاستثمارية على عمق معرفتها الصناعية، ودقة تحليلاتها، والسرعة التي يمكنها بها الاستجابة لاحتياجات العملاء. الذكاء الاصطناعي الذي يجمع بسرعة المعلومات عبر مصادر متعددة ويدير تحليلًا معقدًا يمكن أن يعزز سرعة عمليات الصفقة، ويرفع جودة التحليل، ويمكن للفرق الصغيرة التنافس مع المؤسسات الأكبر التي كانت تملك تقليديًا مزايا من خلال جيوش التحليل.
ومع ذلك، يوضح العمل المصرفي الاستثماري أيضًا القيود الحالية للذكاء الاصطناعي. يشمل إبرام الصفقات في الأساس أحكامًا تتعلق بالتقييم، والتوقيت، والديناميات التنافسية، وعلاقات العملاء. بينما يمكن للذكاء الاصطناعي أن يوفر معلومات لاتخاذ هذه القرارات عن طريق تحليل البيانات ذات الصلةوتوليد الخيارات، فإن القرارات النهائية تتطلب حكمًا بشرية تتشكل من التجربة والحدس والفهم الشخصي الذي تفتقر إليه الأنظمة الذكية الحالية. من المرجح أن تكون الشركات الأكثر نجاحًا هي تلك التي تدمج بفعالية بين قدرات التحليل الذكي للطرف الثالث والتبصر الاستراتيجي البشري.
الخدمات المصرفية للأفراد والمستهلكين: التخصيص بالجملة
تواجه الخدمات المصرفية للأفراد تحديات مختلفة عن الخدمات المصرفية الاستثمارية. بدلاً من دعم التداولات الصغيرة ذات القيمة العالية، تتعامل الخدمات المصرفية للمستهلكين مع ملايين من التفاعلات القياسية نسبيًا. تعتبر قدرة الذكاء الاصطناعي على تقديم تجارب مخصصة على نطاق واسع قوية بشكل خاص في هذا المجال.تولّد هذه الأنظمة أعدادًا هائلة من التنبيهات التي تتطلب مراجعة يدوية. معظمها تبين أنها كانت نتائج إيجابية خاطئة، مما يستهلك وقت الموظفين المعنيين بالامتثال ويخلق خطر أن يتم طمر الأنشطة المشبوهة الحقيقية في الضوضاء. تطبق الأنظمة القائمة على الذكاء الاصطناعي تقنيات متقدمة للتعرف على الأنماط، وتتعلم من التغذية الراجعة حول التنبيهات التي تثبت أهميتها، وتحسن بشكل كبير نسبة الإشارة إلى الضوضاء.
تقييم المخاطر الائتمانية يوضح كيف يمكّن الذكاء الاصطناعي التقييم الأكثر دقة. تطور تقييم المخاطر الائتمانية من تحليل 8 إلى 10 متغيرات إلى نظام متطور قادر على معالجة أكثر من 100 عامل مختلف في نفس الوقت. يسمح هذا للبنوك بتمديد الائتمان للزبائن الذين قد يتم رفضهم من قبل نماذج التقييم التقليدية بينما يحددون بدقة أكبر المقترضين ذوي المخاطر العالية. العواقب على الشمول المالي كبيرة - كثير من الأفراد والشركات الصغيرة التي تم حرمانها من الائتمان تاريخيًا لأنهم لا يتناسبون مع البروڤايلات القياسية قد يحصلون على فرص من خلال أنظمة الذكاء الاصطناعي القادرة على التعرف على الجدارة الائتمانية عبر البيانات البديلة والتحليل الأكثر تطورًا.
إدارة المخاطر السوقية تستفيد من قدرة الذكاء الاصطناعي على معالجة كميات هائلة من بيانات السوق والأخبار ومشاعر وسائل التواصل الاجتماعي في الوقت الفعلي، وتحديد الترابطات والتنبؤ بأنماط التقلبات التي توجه مراكز التداول واستراتيجيات التحوط. أدوات تحليل الذكاء الاصطناعي تعالج بيانات السوق بسرعة ودقة أكبر من البشر، وتكشف الاتجاهات وتتنبأ بالسلوك بتميز أعلى.
الامتثال التنظيمي يعتمد بشكل متزايد على الذكاء الاصطناعي للتنقل في تعقيدات التنظيمات المالية. الاستثمارات مثل حصة BBVA في Parcha، التي تبني وكلاء ذكيين على مستوى الشركات يقومون بأتمتة مهام الامتثال والعمليات اليدوية، بما في ذلك مراجعة الوثائق واستخلاص البيانات واتخاذ القرارات بشأن الإعداد والتوافق وإدارة المخاطر، تبرهن على اعتراف البنوك بأن الذكاء الاصطناعي ضروري لإدارة الأعباء التنظيمية. حجم المتطلبات التنظيمية، وتكرار التحديثات، والحاجة لتطبيق القواعد بشكل منتظم عبر آلاف المعاملات تجعل الامتثال يتناسب بشكل طبيعي مع الذكاء الاصطناعي.
عمليات الخزانة والتداول: السرعة والدقة
يمثل التداول أحد أقدم وأشمل تطبيقات الذكاء الاصطناعي في البنوك. سيطر التداول الآلي على أسواق الأسهم منذ سنوات، مع أنظمة مدعومة بالذكاء الاصطناعي تقوم بتنفيذ الصفقات بسرعة فائقة تصل إلى مايكروثانية، وإدارة محافظ معقدة، وتحديد فرص التحكيم بسرعة أكبر من أي متداول بشري يمكنه استيعابها.
تمتد الموجة الحالية من الذكاء الاصطناعي إلى ما وراء التداول الآلي التقليدي إلى تطبيقات أكثر تطورًا. تستخدم الأنظمة القائمة على الذكاء الاصطناعي الآن معالجة اللغة الطبيعية لتحليل نصوص اتصالات الأرباح والمقالات الإخبارية ووسائل التواصل الاجتماعي لاستخلاص إشارات المشاعر التي قد تحرك الأسواق. تطبق التعلم الآلي للتعرف على الأنماط في تدفق الأوامر التي تشير إلى وضعية المؤسسات. تحسن استراتيجيات تنفيذ التداول بناءً على تحليل الهيكل الجزئي للسوق الذي يأخذ في الاعتبار السيولة والتقلب وتكاليف العمليات عبر عدة منصات.
تستفيد عمليات الخزانة من قدرة الذكاء الاصطناعي على تحسين إدارة السيولة، والتنبؤ بالتدفقات المالية عبر المؤسسة، وتحديد الاستخدام الأمثل لرأس المال، وإدارة متطلبات الضمانات بكفاءة. هذه الوظائف الخلفية تفتقر إلى بريق التداولات الأمامية ولكن تمثل تعقيدًا تشغيليًا هائلاً وفرصًا لعمليات تحسين كبيرة.
تخلق ديناميكيات المنافسة في التداول المدعوم بالذكاء الاصطناعي سباقًا تسلحيًا تكنولوجيًا. المؤسسات التي تنشر ذكاءً اصطناعيًا أكثر تطورًا، أو تصل إلى بيانات أفضل، أو تحقق سرعات تنفيذ أسرع تكتسب مزايا تترجم مباشرة إلى الربحية. يدفع هذا الاستثمار المستمر في قدرات البنية التحتية للذكاء الاصطناعي، مع توقعات بزيادة إنفاق البنوك على مبادرات الذكاء الاصطناعي من 6 مليارات دولار في 2024 إلى 9 مليارات دولار في 2025، وربما تصل إلى 85 مليار دولار بحلول 2030.
العمليات: التحول غير المرئي
تشكل العمليات المصرفية- المهمة وراء الكواليس التي تسوي الصفقات، وتوفق الحسابات، وتعالج المدفوعات، وتحافظ على الأنظمة - أكبر فرصة منفردة لتحقيق مكاسب كفاءة مدفوعة بالذكاء الاصطناعي.
قامت الأتمتة المدعومة بالذكاء الاصطناعي بتقليل تكلفة العمليات المصرفية الروتينية بنسبة 25 إلى 30 بالمائة للمؤسسات مثل Wells Fargo، التي تستخدم الذكاء الاصطناعي لتوجيه عمليات الرهن، مما يوفر ملايين من تكاليف العمليات سنويًا، في حين أفادت Citibank بأن الذكاء الاصطناعي قلل من وقت معالجة الوثائق بنسبة 60 بالمائة، مما ساهم في تحقيق وفورات كبيرة.
تنطوي الآثار على التوظيف في العمليات المصرفية على أهمية عميقة. تمثل هذه الأدوار تمامًا نوع العمل الذي تتفوق أنظمة الذكاء الاصطناعي في أتمتته - المهام ذات الحجم الكبير، والقواعد المبنية، والمتكررة التي تتطلب الدقة ولكن ليس الحلول الإبداعية للمشكلات.
الذكاء الاصطناعي الوكيل: التحول التكنولوجي الحاسم
فهم ما يجعل التحول الحالي للذكاء الاصطناعي مختلفًا من جذوره عن موجات الأتمتة المصرفية السابقة يتطلب فحص الذكاء الاصطناعي الوكيل - الأنظمة القادرة على التفكير الذاتي متعدد الخطوات والعمل بأقل قدر من الإشراف البشري. هذه تمثل قفزة نوعية تتجاوز التطبيقات القديمة للذكاء الاصطناعي.
عملت الأتمتة المصرفية التقليدية من خلال قواعد محددة مسبقًا. قد يقوم النظام تلقائيًا برفع علامة على معاملة تجاوزت حدودًا معينة، لكن شخصًا يتخذ القرار بشأن كيفية الرد. قد تقوم بتوجيه استفسارات العملاء إلى الأقسام المناسبة، لكن البشر يتولون التعامل مع التفاعلات الفعلية. قد تنشئ تقارير قياسية، لكن الأشخاص يفسرونها ويتخذون القرارات. اتبعت هذه الأنظمة نصوصاً، والتخلص من هذه النصوص كان يتطلب تدخلًا بشريًا.
يعمل الذكاء الاصطناعي الوكيل بشكل مختلف. يمكن أن تتبع هذه الأنظمة الأهداف من خلال متوالية من الإجراءات التي تحددها بشكل مستقل. تستنتج الخطوات اللازمة لتحقيق الأهداف، وتتخذ القرارات في كل مرحلة، وتكيف سلوكها بناءً على النتائج. تعمل بشكل أكثر قربًا للبشر الذين يتلقون توجيهًا عامًا ويقومون بتنفيذ الاجراءات مقارنةً بالبرمجيات التقليدية التي تتبع تعليمات محددة.
القدرات التقنية التي تمكن الذكاء الاصطناعي الوكيل ظهرت من تقدم النماذج اللغوية الكبيرة. هذه النماذج تظهر قدرة تقريبية على التفكير العام - فهي تستطيع فهم التعليمات المعقدة، وتفكيك المشكلات إلى مكونات، وتوليد الخطط، وتقييم الخيارات. عندما تجمع مع القدرة على استخدام الأدوات والوصول للبيانات، تصبح قادرة على سلوك ذاتي متقدم.
فكر في مثال ملموس من البنوك الاستثمارية. قد يقوم النظام التقليدي بتوليد تحليل مالي قياسي بناءً على قالب ومصادر بيانات محددة مسبقًا. بينما يمكن لنظام الذكاء الاصطناعي الوكيل أن يتلقى تعليمات عالية المستوى مثل "أعد المواد لاجتماع مع هدف استحواذ محتمل" ثم يحدد بشكل ذاتي المعلومات التي يجب جمعها، والتحليلات الأكثر صلة، والمقارنات المفيدة، وكيفية تنظيم العرض. في كل خطوة، يفكر النظام في الخيارات ويتخذ القرارات دون توجيه بشري صريح.
تمتلك Capital One واحدة من الحالات العامة القليلة لاستخدام الذكاء الاصطناعي الوكيل في Chat Concierge وتخطط لاستخدام نفس إطار الذكاء الاصطناعي الوكيل لبناء أدوات أخرى حول البنك. يوضح النظام كيف يمكن للذكاء الاصطناعي الوكيل أن يتعامل مع تفاعلات العملاء المعقدة بشكل ذاتي، ويفهم النية عبر عدة منعطفات محادثة، ويجمع المعلومات اللازمة، ويتخذ الإجراءات لحل المشكلات دون تدخل بشري.
تمتد آثار نشر الذكاء الاصطناعي الوكيل على نطاق واسع إلى ما وراء الكفاءة. هذه الأنظمة تغير طبيعة العمل بشكل جذري بتحويل البشر من تنفيذ المهام إلى الإشراف وتحديد الأهداف. يقضي المحلل في البنوك الاستثمارية وقتًا أقل في بناء النماذج وأكثر في صياغة الأسئلة وتقييم التحليلات الناتجة عن الذكاء الاصطناعي. يمضي موظف الامتثال وقتًا أقل في مراجعة المعاملات الفردية وأكثر في تحديد المعلمات لأنظمة مراقبة الذكاء الاصطناعي والتحقيق في الحالات المنتقاة. تاجر الأسهم يقضي وقتًا أقل في تنفيذ الطلبات وأكثر في تطوير استراتيجيات تنفيذ أوامر التداول القائمة على الذكاء الاصطناعي.
هذا التحول يخلق فرصًا وتحديات على حد سواء. من جهة، يحرر البشر من المهام المملة ويسمح لهم بالتركيز على الأنشطة ذات القيمة العالية التي تتطلب الإبداع، والحكم، والمهارات الشخصية. من جهة أخرى، يهدد بإزاحة العمال الذين تتكون أ
دوارهم بشكل رئيسي من المهام التي يستطيع الذكاء الاصطناعي الوكيل الآن التعامل معها. فترة الانتقال - حيث قامت بعض المؤسسات بنشر الذكاء الاصطناعي الوكيل بينما لم تقم الأخرى بذلك - تخلق مزايا تنافسية كبيرة للمبادرين الأوائل.
التكنولوجيا تثير أيضًا أسئلة هامة حول التحكم والمساءلة. عندما يقوم نظام الذكاء الاصطناعي الوكيل بتنفيذ عدة قرارات تؤدي إلى نتيجة سيئة، من يتحمل المسؤولية؟ الموظف الذي حدد أهداف النظام؟ المؤسسة التي نشرت التقنية؟ مطورو الذكاء الاصطناعي الذين أنشأوا النماذج الأساسية؟ تفترض مفاهيم المساءلة التقليدية صانعي القرار البشر الذين يمكن تقييم حكمهم والذين يتحملون المسؤولية عن النتائج. الذكاء الاصطناعي الوكيل يعقد هذه الافتراضات عن طريق توزيع صنع القرار عبر أنظمة بشرية وذكاء اصطناعي بطرق تخفي المسؤولية الفردية.
مع زيادة قوة الوكلاء في قدراتهم القائمة على الذكاء الاصطناعي وزيادة اتصالهم في JPMorgan، يمكنهم تحمل المزيد والمزيد من المسؤوليات، لكن هذا التحول يجلب أيضًا تحديات في ضمان الموثوقية، الأمان، والشفافية بشكل بارز.Content: تقارير بحثية تفيد بأن الذكاء الاصطناعي سيحل محل 54 في المئة من الوظائف في قطاع البنوك، وهو أعلى من أي قطاع آخر، وتوقعات بتخفيض البنوك العالمية ما يصل إلى 200,000 وظيفة خلال الثلاث إلى الخمس سنوات القادمة مع ازدياد مهام الذكاء الاصطناعي. وهذه التوقعات تعكس واقع أن البنوك توظف عدداً كبيراً من الأفراد في وظائف تتضمن معالجة المعلومات، والتحليل، واتخاذ القرار - وهي بالضبط نوع المهام التي يظهر فيها الذكاء الاصطناعي مهارة متزايدة.
أوضح رئيس المستهلكين في جي بي مورغان للمستثمرين أنه من المتوقع أن تقلص موظفي العمليات بنسبة لا تقل عن 10 في المئة، مما يعطي دليلاً على نطاق تقليص القوة العاملة الذي تتوقعه حتى المؤسسات الرائدة. ويؤثر ذلك بطرق غير متساوية عبر الأدوار. أولئك المعرضون للبحث عن وظائف جديدة يشملون موظفي العمليات والدعم الذين يتعاملون بشكل أساسي في العمليات الروتينية مثل فتح الحسابات، واكتشاف الاحتيال، أو تسوية الصفقات، في حين يتجه التحول نحو الذين يعملون مباشرة مع العملاء مثل المصرفيين الخاصين الذين لديهم قوائم من المستثمرين الأثرياء، التجار الذين يلبي حاجاتهم مديري صناديق التحوط والمعاشات، أو المصرفيين الاستثماريين الذين لديهم علاقات مع رؤساء شركات فورتشن 500.
هذا يخلق انقساماً في توظيف البنوك. الأدوار ذات المهارات العالية والموجهة نحو العملاء التي تتطلب إدارة العلاقات والحكم الاستراتيجي والمهارات الشخصية تبقى قيمة وقد تصبح أكثر قيمة حتى عندما يتولى الذكاء الاصطناعي العمل التحليلي الداعم. تواجه الأدوار ذات المهارات المتوسطة التي تنطوي على معالجة وتحليل المعلومات الموحدة أكبر خطر بالإطاحة. قد تختفي إلى حد كبير الوظائف المبتدئة التي كانت تقليدية كمراكز تدريب للمهن في القطاع المصرفي، مما يثير التساؤلات حول كيفية تطوير المؤسسات للمواهب القيادية المستقبلية.
داريوا أمودي، الرئيس التنفيذي لشركة Anthropic للذكاء الاصطناعي، قال إن ما يقرب من نصف جميع وظائف المبتدئين بالياقات البيضاء في التقنية والمال والقانون والاستشارات قد يتم استبدالها أو القضاء عليها بواسطة الذكاء الاصطناعي. هذا التوقع يتحدى مباشرة نموذج التطوير المهني التقليدي في الخدمات المهنية حيث يتعلم الموظفون الصغار من خلال أداء المهام الروتينية تحت إشراف موظفين كبار. إذا قضى الذكاء الاصطناعي على هذه الأدوار المبتدئة، يجب أن تطور المؤسسات مسارات بديلة لتطوير الخبرة والتقدم في المهن.
إعادة تدريب: مواعيد ووضعيات
وجدت دراسة للبنك الاحتياطي الفيدرالي في نيويورك أن بدلاً من تسريح العمال، العديد من الشركات التي تعتمد الذكاء الاصطناعي تعيد تدريب قواها العاملة لاستخدام التكنولوجيا الجديدة، حيث من المرجح أن يؤدي الذكاء الاصطناعي إلى إعادة تدريب الموظفين بدلاً من فقدان الوظائف لأولئك الموظفين حالياً، رغم تأثير الذكاء الاصطناعي على التوظيف حيث تخفض بعض الشركات توظيفها للبعض وتزيد من توظيف من هم مؤهلون لاستخدامه. للتوضيح، تعترف المؤسسات بقيمة الحفاظ على الموظفين ذوي الخبرة ومساعدتهم على التكيف مع الأدوار الجديدة بدلاً من استبدالهم ببساطة بالذكاء الاصطناعي.ميزانية التكنولوجيا تُمكِّن الاستثمارات التي لا تستطيع المؤسسات الصغيرة مجاراتها. بناء أنظمة ذكاء اصطناعي متقدمة، تجميع المواهب المتخصصة، ودمج الذكاء الاصطناعي في البنية التحتية التشغيلية الواسعة يتطلب موارد تفضل البنوك الكبرى. قد يؤدي هذا إلى تسريع توحيد الصناعة حيث تكافح البنوك الصغيرة لمواكبة المنافسين المدعومين بالذكاء الاصطناعي.
الثاني، المزايا البياناتية تحقق عائدات متضاعفة. تحسن أنظمة الذكاء الاصطناعي من خلال التعرض للبيانات أكثر، وتعالج البنوك الأكبر المزيد من المعاملات، وتخدم المزيد من العملاء، وتعمل في المزيد من الأسواق مقارنة بالمؤسسات الأصغر. تُمكِّن هذا الغنى بالبيانات الذكاء الاصطناعي الأكثر تعقيدًا لتقديم تجارب عملاء أفضل، وجذب المزيد من العملاء، وتوليد المزيد من البيانات - دورة تعزيزية تفيد المؤسسات القائمة مثل المصارف الكبيرة التي لها قواعد عملاء راسخة أكثر من الوافدين الجدد.
الثالث، البنية التحتية القديمة تقيد وتشكل عمليات نشر الذكاء الاصطناعي. تعتمد البنوك على أكوام التكنولوجيا التي تراكمت على مدى عقود، مع أنظمة حاسمة تعمل على أجهزة الحاسوب الرئيسية بجانب التطبيقات السحابية الحديثة. هناك فجوة بين ما تقدر عليه التكنولوجيا والقدرة على الالتقاط الكامل لذلك داخل المؤسسة، حيث تعمل الشركات في آلاف التطبيقات المختلفة التي تتطلب جهداً كبيراً لربط تلك التطبيقات في نظام بيئي للذكاء الاصطناعي وجعلها قابلة للاستهلاك. المؤسسات ذات البنية التحتية الحديثة يمكنها نشر الذكاء الاصطناعي بسرعة وشمولية أكثر من تلك التي تصارع الأنظمة القديمة المعقدة.
الرابع، قدرات الامتثال التنظيمي تزداد أهمية. تعمل البنوك في بيئات تخضع لتنظيم شديد حيث يتطلب نشر التكنولوجيا الجديدة إثبات أنها تتوافق مع متطلبات الشفافية، العدالة، الأمان، والمصداقية. المؤسسات ذات الإطارات الامتثال المتقدمة والعلاقات التنظيمية القوية يمكنها التنقل بشكل أكثر فعالية في تحديات نشر الذكاء الاصطناعي مقارنة بتلك التي تفتقر إلى قدرات الامتثال.
تؤثر بنية الصناعة على كيفية تجلي مزايا الذكاء الاصطناعي. في الخدمات المصرفية عالية التمركز - معالجة المدفوعات، حسابات الإيداع الأساسية، القروض البسيطة - تُترجم ميزات الكفاءة المدفوعة بالذكاء الاصطناعي بشكل أساسي إلى تخفيضات في التكلفة التي إما تحسن الهوامش أو تُمكن المنافسة السعرية. في الخدمات المتميزة - إدارة الثروات، المصرفية الاستثمارية، المصرفية المؤسسية المتقدمة - يمكن للذكاء الاصطناعي تمكين تحسينات في الخدمة التي تدعم التسعير المميز وزيادة الحصة السوقية.
سلحت شركة Citigroup 30,000 مطور بأدوات الترميز المعتمدة على الذكاء الاصطناعي التوليدي وأطلقت زوجًا من منصات تعزيز الإنتاجية المعتمدة على الذكاء الاصطناعي التوليدي إلى قوتها العاملة الأوسع، بينما قامت Goldman Sachs بتزويد حوالي 10,000 موظف بمساعد الذكاء الاصطناعي وتتوقع استكمال الإصدار العام بنهاية العام. تشير هذه التطبيقات من قبل المنافسين الرئيسيين لـ JPMorgan إلى أن التحول الرقمي باستخدام الذكاء الاصطناعي أصبح حتمياً عبر الصناعة. لا يمكن لأي بنك رئيسي تجاهل الذكاء الاصطناعي، والديناميكيات التنافسية تضمن أن استثمارات الذكاء الاصطناعي ستستمر في التسارع.
البعد الجغرافي للمنافسة يضيف تعقيدًا. تنفق بنك أمريكا 4 مليارات دولار على مبادرات الذكاء الاصطناعي والتكنولوجيا الجديدة في عام 2025، والتي تمثل ما يقرب من ثلث خط تكاليف التكنولوجيا الخاص بها والذي يبلغ 13 مليار دولار. تواجه البنوك الأمريكية منافسة ليس فقط من بعضها البعض ولكن أيضًا من مؤسسات أوروبية، وبنوك آسيوية، وربما شركات التكنولوجيا الكبيرة التي قد تتوسع في الخدمات المالية. تستخدم البنوك الصينية الذكاء الاصطناعي على نطاق واسع في المدفوعات عبر الهاتف المحمول والإقراض، وتواجه البنوك الأوروبية ضغوطًا تنظيمية تقيد وتشكل نشر الذكاء الاصطناعي، وتتبنى المؤسسات الآسيوية مثل DBS وHSBC استراتيجيات رقمية حازمة.
تمثل التكنولوجيا الكبيرة ديناميكية تنافسية مثيرة للاهتمام بشكل خاص. تتمتع شركات مثل Google وAmazon وMicrosoft بقدرات عالمية رائدة في الذكاء الاصطناعي، وموارد حاسوبية هائلة، وقواعد مستخدمين ضخمة. بينما كانت القيود التنظيمية تقيد تاريخياً توسعها في المصرفية الأساسية، فإنها تقدم بشكل متزايد خدمات مالية على الهوامش - المدفوعات، الإقراض، التخطيط المالي. إذا سمح المنظمون بمشاركة أعمق للتكنولوجيا الكبيرة في المصرفية، قد تؤدي منصات الذكاء الاصطناعي التي تديرها عمالقة التكنولوجيا إلى تعطيل نماذج الأعمال التقليدية في المصرفية بشكل جذري.
تظل النتيجة التنافسية النهائية غير مؤكدة. قد يعزز الذكاء الاصطناعي المزايا التي تمتلكها المؤسسات الكبيرة الأكثر تقدماً، مما يؤدي إلى توحيد الصناعة. بدلاً من ذلك، قد يخفض الذكاء الاصطناعي الحواجز أمام الدخول عبر تمكين المؤسسات الصغيرة من تقديم خدمات متقدمة دون حاجتها إلى قوة عمل بشرية ضخمة، مما يعزز المنافسة. على الأرجح، ستنقسم الصناعة، مع عدد صغير من البنوك العالمية القوية المدعومة بالذكاء الاصطناعي تتنافس ضد مؤسسات متخصصة تستخدم الذكاء الاصطناعي لتتفوق في مجالات محددة.
حقائق التنفيذ: تحدي الفجوة القيمية
هناك فجوة قيمية بين ما يمكن للتكنولوجيا أن تفعله والقدرة على التقاط ذلك بالكامل داخل المؤسسة، فالشركات التي تعمل في آلاف التطبيقات المختلفة تتطلب عملاً كبيراً لربط تلك التطبيقات في نظام بيئي للذكاء الاصطناعي وجعلها قابلة للاستهلاك. هذا الملاحظات من قبل رئيس قسم التحليلات في JPMorgan تلتقط التحدي المركزي في تحول الذكاء الاصطناعي في المصرفية: إمكانات التكنولوجيا تتجاوز بكثير ما يمكن للمؤسسات تنفيذه حالياً.
تخلق عدة عوامل هذه الفجوة القيمية. أولاً، تقدم البنية التحتية القديمة تحديات تكامل هائلة. تدير البنوك الأنظمة الحاسمة التي تعود إلى الستينيات والسبعينيات، مكتوبة بلغة COBOL وتعمل على الحواسيب الرئيسية. تدير هذه الأنظمة وظائف مثل إدارة الحسابات، معالجة المعاملات، وتصفية المدفوعات حيث قد يكون أي فشل كارثي. ربطها بأنظمة الذكاء الاصطناعي يتطلب تطوير واجهات شاملة، واختبارات دقيقة، وإدارة مخاطر دقيقة.
يتضاعف التعقيد لأن البنوك لا تعمل على منصات موحدة بل على مجموعات من مئات أو آلاف التطبيقات المختلفة التي تراكمت من خلال عقود من التطوير العضوي، وعمليات الاندماج والاستحواذ، والتطور التكنولوجي. كل تطبيق له تنسيق بيانات خاص به، منطق عمل، وواجهات. يمثل إنشاء طبقة ذكاء اصطناعي يمكنها التفاعل مع جميع هذه الأنظمة بشكل متسق تحدياً هندسياً هائلاً.
ثانياً، تحد مشكلات جودة البيانات وإمكانية الوصول من فعالية الذكاء الاصطناعي. تتطلب أنظمة الذكاء الاصطناعي بيانات نظيفة، وهيكلية، ومتسقة لتعمل بشكل جيد. تقيم بيانات البنوك عبر عدد لا يحصى من الأنظمة في تنسيقات غير متوافقة مع تعريفات غير متسقة، وسجلات غير مكتملة، ومشاكل جودة تراكمت على مر العقود. قبل أن يتمكن الذكاء الاصطناعي من تقديم إمكاناته، يتعين على المؤسسات بذل جهود هائلة لتنقية البيانات - توحيد التنسيقات، وحل التناقضات، وإنشاء حوكمة البيانات، وبناء أنابيب تجعل البيانات متاحة لأنظمة الذكاء الاصطناعي.
ثالثاً، تعيق المقاومة التنظيمية تنفيذ ذلك. يتطلب تحول الذكاء الاصطناعي تغيير طريقة عمل الناس، وتدفق العمليات التجارية، ومن يمسك بسلطات اتخاذ القرارات. تشكل هذه التغييرات تهديداً للهياكل القوى القائمة، تتطلب تعلم مهارات جديدة، وتخلق عدم اليقين بشأن الأمن الوظيفي. حتى عندما يتعهد القيادة بتحول الذكاء الاصطناعي، يمكن للمقاومة المتوسطة، والقلق لدى الموظفين، والخمول البسيط أن يبطئ تنفيذ ذلك بشكل كبير.
رابعاً، يقيد نقص المواهب سرعة الانتشار. تستخدم JPMorgan باحثين في الذكاء الاصطناعي أكثر من السبعة أكبر البنوك التالية مجمعة، لكن حتى JPMorgan تواجه قيودًا في المواهب. يظل عدد الأشخاص الذين يفهمون كلا من الذكاء الاصطناعي المتقدم وعمليات البنوك محدودًا بالنسبة لاحتياجات الصناعة. يؤدي نقص المواهب هذا إلى رفع تكاليف التعويض ويحد من السرعة التي يمكن بها للمؤسسات توسيع قدرات الذكاء الاصطناعي.
خامساً، تزيد الضبابية التنظيمية من تعقيد التخطيط. يجب أن تثبت البنوك للجهات المنظمة أن أنظمة ذكائها الاصطناعي تعمل بأمان، بعدالة، وشفافية. ومع ذلك، لا تزال الأطر التنظيمية للذكاء الاصطناعي في المصرفية قيد التطوير، مما يخلق حالة من عدم اليقين حول المتطلبات التي يجب أن تفي بها المؤسسات. تجعل هذه الضبابية البنوك حذرة عند نشر الذكاء الاصطناعي بطرق قد تظهر لاحقًا كغير متوافقة، مما يبطئ من اعتماده.
تقيم JPMorgan Chase أساسها في الذكاء الاصطناعي على AWS، دافعة بمنصة التعلم الآلي AWS SageMaker ومنصة الذكاء الاصطناعي التوليدي AWS Bedrock من التضExperimental into production applications, with 5,000 company employees using SageMaker and more than 200,000 employees now using LLM Suite. This partnership approach - leveraging cloud infrastructure and AI platforms from technology providers rather than building everything internally - helps address some implementation challenges by providing scalable infrastructure and reducing the burden of maintaining AI development platforms.
Perhaps the greatest challenge comes from the organizational dimension of implementation. Chase is going with a "learn by doing" approach for generative AI, wanting tools in employees' hands with a belief that there is no better way to learn than by actually utilizing the tools, and the bank has been reported to have 450 proofs of concept in the works, a number expected to climb to 1,000. This grassroots approach recognizes the need for cultural change, not just technology deployment, for successful AI transformation. Employees must understand AI capabilities, identify opportunities for application, and integrate AI into daily workflows. This learning-by-doing approach takes time but builds sustainable capabilities.
The financial dimension complicates implementation. Banks' spending on AI initiatives is predicted to increase from $6 billion in 2024 to $9 billion in 2025, and potentially as much as $85 billion in 2030. These investments must be justified through clear return-on-investment cases, but AI's benefits often materialize over years through cumulative efficiency gains, improved decision-making, and enhanced customer experiences that prove difficult to quantify precisely. Institutions face pressure
لإظهار النتائج أثناء متابعة التحويلات التي تتطلب استثمارًا مستمرًا قبل ظهور الفوائد الكاملة.
تعد تحديات الاختبار والتحقق للأنظمة الذكائية الاصطناعية أكبر من تلك الخاصة بالبرامج التقليدية. تتبع البرامج التقليدية منطقًا حتميًا - تُنتج نفس المدخلات نفس المخرجات، مما يسهل عملية الاختبار. تتصرف الأنظمة الذكية الاصطناعية، وخاصة تلك باستخدام التعلم الآلي المتقدم، بطرق احتمالية ويمكن أن تُنتج مخرجات مختلفة لنفس المدخلات. يجب أن يقيم الاختبار ليس فقط ما إذا كانت الأنظمة تعمل بشكل صحيح لحالات معروفة ولكن أيضًا ما إذا كانت تعمم بشكل مناسب على المواقف الجديدة، وتتعامل مع الحالات الحديّة بأمان، وتتناقص بفضل عند مواجهة المدخلات خارج مجموعة تدريبها.
تفسر هذه التحديات التطبيقية سبب تقدم تحول ذكاء الاصطناعي في البنوك تدريجيًا رغم الإمكانات الكبيرة. يجب على المؤسسات الموازنة بين التحرك بسرعة كافية لاغتنام المزايا التنافسية وبين التحرك بحذر كافٍ لإدارة المخاطر وضمان العمليات الموثوقة. يشكّل التوتر بين السرعة والحذر استراتيجيات النشر، مع متابعة معظم البنوك لنهج متوازٍ يدمج قدرات الذكاء الاصطناعي على الأنظمة القائمة بدلاً من محاولة إعادة بناء البنية التحتية المصرفية الأساسية من الصفر.
المخاطر والأخلاق والفجوات التنظيمية
يثير تحول الذكاء الاصطناعي في البنوك تساؤلات عميقة حول السلامة والعدالة والمساءلة والأثر الاجتماعي التي يجب على الجهات التنظيمية والبنوك والمجتمع معالجتها. تمتد هذه المخاوف عبر الأبعاد التقنية والأخلاقية والقانونية والسياسية.
التحيز الخوارزمي والعدالة
قد تميز الأنظمة الذكية الاصطناعية في البنوك، وخاصة تلك المستخدمة للمساعدة في اتخاذ قرارات الائتمان، ضد المجموعات المحمية دون قصد. يمكن لنماذج الذكاء الاصطناعي التي تستخدم بيانات بديلة مثل التعليم أو الموقع الاعتماد على بدائل للخصائص المحمية، مما يؤدي إلى تأثيرات أو معاملة متفرقة. ينبع هذا التحدي لأن أنظمة الذكاء الاصطناعي تتعلم الأنماط من البيانات التاريخية التي قد تعكس التمييز الماضي. إذا أظهرت بيانات الإقراض التاريخية أن المتقدمين من أحياء معينة أو بخصائص معينة تُرفض طلباتهم، فقد تتعلم الأنظمة الذكية الاصطناعية تكرار هذه الأنماط حتى عندما لا تمثل العوامل الأساسية مؤشرات مشروعة لخطر الائتمان.
يمتد المشكلة إلى ما هو أبعد من التكرار البسيط للتحيز التاريخي. يمكن للذكاء الاصطناعي تضخيم التحيز من خلال حلقات التغذية الراجعة حيث تؤثر القرارات الخوارزمية على البيانات المستقبلية بطرق تعزز الأنماط الابتدائية. على سبيل المثال، إذا حرمت نظام الذكاء الاصطناعي من الائتمان لأفراد من مجموعة معينة، فلن يتمكن هؤلاء الأفراد من بناء تاريخ ائتماني قد يظهر لاحقًا جدارتهم بالائتمان، مما يؤدي إلى استمرار الدورة.
يتطلب معالجة التحيز الخوارزمي حلولًا تقنية وإطارات سياسية ولالتزامات مؤسسية. يجب على المؤسسات المالية مراقبة نماذج الذكاء الاصطناعي باستمرار وتدقيقها لضمان عدم إنتاجها نتائج متحيزة، مع الشفافية في عمليات اتخاذ القرار لتجنب التأثيرات المتفرقة. يجب أن تمتد هذه المراقبة وراء تحليل النتائج البسيط لفحص العوامل التي تستخدمها أنظمة الذكاء الاصطناعي لاتخاذ القرارات وضمان عدم الاعتماد على بدائل للخصائص المحمية.
يتزايد التحدي مع زيادة تعقيد الأنظمة الذكية الاصطناعية. يمكن تدقيق النماذج البسيطة باستخدام متغيرات محدودة بشكل مباشر - يمكن للمحللين فحص كل عامل وتقييم ما إذا كان يمثل اعتبارات تجارية مشروعة أو بدائل مشكلة للخصائص المحمية. تستعصي الشبكات العصبية المعقدة التي تعالج مئات المتغيرات عبر طبقات مخفية عديدة على مثل هذا التحليل المباشر. قد تحقق دقة تنبئية أفضل ولكن على حساب الشفافية المقللة.
خصوصية البيانات والأمان
تحمل البنوك كميات هائلة من المعلومات الشخصية الحساسة - المعاملات المالية، أرصدة الحسابات، مواقف الاستثمار، معرفات شخصية، أنماط سلوكية. تتطلب الأنظمة الذكية الاصطناعية الوصول إلى هذه البيانات لتعمل بشكل فعّال، مما يخلق توترًا بين شهية البيانات للذكاء الاصطناعي والضرورات الخصوصية. تثير الزيادة في حجم البيانات واستخدام مصادر غير تقليدية مثل ملفات تعريف الإعلام الاجتماعي لاتخاذ قرارات الائتمان قلقًا كبيرًا حول كيفية تخزين المعلومات الحساسة والوصول إليها وحمايتها من الانتهاكات، حيث لا يكون المستهلكون دائمًا على علم بذلك أو موافقين على استخدام بياناتهم.
يتجاوز تحدي الخصوصية الأمان التقليدي للبيانات ليشمل أسئلة حول استخدامها. قد يدلي العملاء بموافقة البنوك على استخدام بيانات معاملاتهم للكشف عن الاحتيال لكن لا يتوقعون استخدام نفس البيانات لتوجيه خوارزميات التسويق أو مشاركتها مع أطراف ثالثة. كلما أصبحت الأنظمة الذكية الاصطناعية أكثر تعقيدًا في استخراج رؤى من البيانات، أصبح الخط الفاصل بين الاستخدامات المتوقع والموافقة عليها من قبل العملاء وتلك التي يجدونها تدخلاً أكثر أهمية.
يظل التحدي التقني لحفظ الخصوصية غير محلول في الغالب. تُظهر التقنيات مثل التعلم الموزع - حيث يتدرب الذكاء الاصطناعي عبر بيانات موزعة دون مركزة البيانات - والخصوصية التفاضلية - حيث يتم إضافة الضجيج إلى البيانات لحفظ خصوصية الأفراد مع الحفاظ على الأنماط الإجمالية - وعودًا ولكنها ليست ناضجة بما يكفي لنشرها على نطاق واسع في البنوك. لا تزال معظم الأنظمة الذكية الاصطناعية تتطلب الوصول إلى بيانات تفصيلية على مستوى الأفراد لتحقيق الأداء الأمثل.
غموض النموذج وقابلية التفسير
صرحت هيئة الرقابة المالية الألمانية بأن المدى الذي يمكن أن يكون فيه صندوق أسود مقبولًا من حيث الإشراف يعتمد على كيفية معالجته في إدارة المخاطر في البنوك، مع توقع أن يكون مقدمي الخدمات المالية قادرين على شرح مخرجات النموذج وكذلك تحديد وإدارة التغييرات في أداء الأنظمة الذكية الاصطناعية وسلوكها. تعكس هذه الرؤية التنظيمية توترًا أساسيًا في مجال الذكاء الاصطناعي في البنوك: الأنظمة الذكية الاصطناعية الأقوى غالبًا ما تكون الأقل قابلية للتفسير.
استخدمت نماذج الائتمان التقليدية تقنيات الانحدار الخطي بعدد قليل من المتغيرات، مما سهل تفسير سبب حصول أي متقدم معين على درجة محددة. قد تستخدم الأنظمة الذكية الاصطناعية الحديثة طرقًا مركبة تجمع بين نماذج متعددة، أو شبكات عصبية بطبقات مخفية، أو أساليب أخرى تقاوم التفسير البسيط. قد يكون البنك قادرًا على إظهار إحصائيًا أن مثل هذا النظام يعمل بشكل أفضل من البدائل الأبسط ولكن يواجه صعوبة في تفسير السبب في اتخاذه لقرار معين.
يخلق هذا الغموض مشاكل للمستهلكين الذين يرغبون في فهم سبب رفضهم للائتمان أو تحميلهم أسعار فائدة أعلى. يخلق مشاكل للجهات التنظيمية التي تحاول تقييم ما إذا كانت النماذج عادلة ومناسبة. يخلق مشاكل للبنوك التي تحاول إدارة مخاطر النماذج والتأكد من أنظمتها تتصرف بشكل مناسب. تصبح ال応ーディール・CEPTION 性...Sure, here is the translated content following your instructions:
Content: الأمر التنفيذي، حيث عملت إدارة ترامب على إزالة الضوابط التنظيمية لاستخدام الذكاء الاصطناعي. وقد أدى ذلك إلى حالة من عدم اليقين التنظيمي مع تراجع الأطر الفيدرالية، مما ترك المنظمين على مستوى الدولة يتدخلون ويصدرون تشريعات تركز على التحيز والشفافية والامتثال في اتخاذ القرارات المعتمدة على الذكاء الاصطناعي في عمليات الإقراض والتوظيف، حيث قامت عدة ولايات بتوضيح أن السلوك التمييزي للذكاء الاصطناعي سيتم تقييمه بموجب قوانينها الخاصة بأفعال أو ممارسات غير عادلة أو خادعة، مما خلق رقابة متفرقة.
تفتقر الإدارة الوطنية لاتحادات الائتمان إلى إرشادات لإدارة مخاطر النماذج بحيث تكون مفصلة بشكل كاف حول كيفية إدارة اتحادات الائتمان لمخاطر النماذج، بما في ذلك نماذج الذكاء الاصطناعي، والسلطة لبحث مزودي خدمات التكنولوجيا على الرغم من الاعتماد المتزايد لاتحادات الائتمان عليهم لخدمات الذكاء الاصطناعي. يبرز هذا الفراغ التنظيمي التحدي الذي يواجهه الذكاء الاصطناعي بزيادة سرعة التطور مقارنة بقدرة الهيئات التنظيمية، حيث تقوم المؤسسات بنشر الأنظمة المتقدمة بشكل أسرع مما يمكن للأطر الرقابية أن تتكيف معه.
يجب أن تطلب الوكالات التنظيمية من البنوك الإشارة إلى ما إذا كانت تستخدم الذكاء الاصطناعي للامتثال لأنظمة إعادة الاستثمار المجتمعي، وتطلب من هذه الأنظمة أن تكون قابلة للتفسير، وتطلب عمليات تدقيق الذكاء الاصطناعي من طرف ثالث لجميع المؤسسات، وتطلب من البنوك مراجعة أنظمة قانون السرية المصرفية بشكل دوري لضمان الدقة و القدرة على التفسير. تعبر هذه المقترحات عن الاعتراف المتزايد بأن الذكاء الاصطناعي في القطاع المصرفي يتطلب أشكالًا جديدة من الرقابة، لكن تحويل المبادئ إلى متطلبات قابلة للتنفيذ لا يزال في طور التقدم.
يعقد البعد العالمي تطوير التنظيميات. تعمل البنوك عبر عدة ولايات قضائية مع نهج تنظيمي مختلف بشأن الذكاء الاصطناعي. يجب على المؤسسات التنقل عبر قانون الذكاء الاصطناعي للاتحاد الأوروبي والأطر الوطنية المختلفة في آسيا مع متطلبات على مستوى الدولة في الولايات المتحدة والمعايير الناشئة من هيئات دولية مثل بنك التسويات الدولية. هذا التجزئة التنظيمية يخلق تعقيدًا في الامتثال وقد يؤدي إلى تباطؤ نشر الذكاء الاصطناعي في عمليات البنوك عبر الحدود.
الذكاء الاصطناعي في القطاع المصرفي مقابل التمويل المستقل: مقارنة التمويل اللامركزي
يصاحب ظهور البنوك التقليدية المدعمة بالذكاء الاصطناعي نضوج التمويل اللامركزي، مما يخلق تباينا مثيرا للاهتمام بين رؤيتين مختلفتين لتحويل التكنولوجيا المالية. في حين أن البنوك المدارة بالذكاء الاصطناعي تعزز المؤسسات التقليدية من خلال الذكاء والأتمتة، يسعى التمويل اللامركزي إلى تقديم الخدمات المالية بدون وسطاء تقليديين من خلال بروتوكولات قائمة على البلوكشين. يشكل التقارب والمنافسة بين هذه النهج المسار المستقبلي للتمويل.
العملات المستقرة والترميز
تضاعفت الدورات التداولية للعملات المستقرة على مدى الثمانية عشر شهرًا الماضية لكنها لا تزال تسهل فقط حوالي 30 مليار دولار من المعاملات يوميًا - أقل من 1 بالمئة من تدفقات المال العالمية، مع قول المؤيدين إن التكنولوجيا يمكن أن تتجاوز ساعات العمل المصرفي والحدود العالمية، مما يوفر تحسينات على البنية التحتية الحالية للدفع بما في ذلك السرعة والتكلفة والشفافية والتوافر وزيادة دمج الذين لم تُخدموا بشكل كافٍ من قبل النظام المصرفي. تمثل هذه الأصول الرقمية مكافئات نقدية على بنية البلوكشين، مما يمكن من التسوية على مدار الساعة بدون وسطاء مصرفيين تقليديين.
من المتوقع أن يجلب الترميز ما يصل إلى 16 تريليون دولار من الأصول في العالم الحقيقي الى سلاسل البلوكشين بحلول عام 2030، مما يحول كيفية عمل التمويل العالمي، مع قيام قادة من وول ستريت مثل بلاك روك وجي بي مورغان وسيتي بنك بتجربة سندات رمز مميَّزة، وخزائن، وودائع. يشير هذا التطور إلى أن المؤسسات المالية التقليدية ترى بشكل متزايد أن بنية البلوكشين هي مكملة لتجاربها وليست منافسة لها.
العلاقة بين البنوك المدارة بالذكاء الاصطناعي والترميز تصبح مثيرة للاهتمام بشكل خاص عندما تنشر المؤسسات الذكاء الاصطناعي لإدارة الأصول المرمزة. تتوقع سيتي بنك أن 10 بالمئة من حجم السوق العالمي سيتم ترميزه بحلول 2030، مسبوقًا بعملات مستقرة صادرة عن البنوك تساعد في كفاءة الضمانات وترميز الصناديق، مع اختبار 86 بالمئة من الشركات التي تم استطلاعها للذكاء الاصطناعي من أجل إدخال العملاء كخطوة أساسية لمديري الأصول والوصايات ووسطاء الوكلاء. يشير هذا التقارب إلى مستقبل حيث تعمل أنظمة الذكاء الاصطناعي عبر بنية مصرفية تقليدية وأصول مرمزة قائمة على البلوكشين.
البروتوكولات المستقلة مقابل الوكلاء الذكاء الاصطناعي
تنفذ بروتوكولات التمويل اللامركزي عمليات مالية من خلال العقود الذكية - وهي شفرات يتم نشرها على البلوكشين التي تنفذ تلقائياً المعاملات بناءً على قواعد محددة مسبقاً. تعالج هذه البروتوكولات الإقراض، والتجارة، والمشتقات، وغيرها من الوظائف المالية بدون وسطاء بشريين. تشكل الرؤية أن تكون الخدمات المالية عبارة عن برامج تعمل على شبكات لامركزية بدلاً من عمليات تؤدى من قبل المؤسسات.
يعمل وكلاء الذكاء الاصطناعي في البنوك في وظائف مماثلة لكن ضمن أطر مؤسسية. بدلاً من استبدال البنوك، يجعلونها أكثر فعالية وقدرة. يكمن الفرق الأساسي في الحكم والتحكم. تعمل بروتوكولات التمويل اللامركزي، بمجرد نشرها، بشكل مستقل وفقًا لشيفرتها، مع توزيع الحكم أحيانًا بين حاملي الرموز. يعمل وكلاء الذكاء الاصطناعي تحت سلطة مؤسساتية، حيث تحتفظ البنوك بالتحكم في تصرفاتها وتتحمل المسؤولية عن أفعالها.
يخلق ذلك ملفات تعريف مختلفة للمخاطر والمردود. يوفر التمويل اللامركزي مقاومة للرقابة، وتوافر على مدار الساعة، وشفافية في الشفرة، وتقليلاً للاعتماد على الوسطاء التقليديون. ومع ذلك، فإنه ينطوي أيضًا على مخاطر عقود ذكية، تنفيذ محدود عند حدوث أخطاء، عدم اليقين التنظيمي، وتحديات مع التوسع لاعتماد واسع النطاق. توفر البنوك التقليدية المدعمة بالذكاء الاصطناعي الامتثال التنظيمي، وحماية المستهلك، وحل النزاعات المعمول به، والتكامل مع البنية التحتية المالية التقليدية، لكن تحتفظ بأدوار مراقبة البوابات، والقيود التنظيمية، وتكاليف محتملة أعلى من البدائل اللامركزية.
المعالجة التنظيمية
تسعى العديد من التشريعات حول العالم لضمان العمل المستقر والآمن للنقد المرمز، وتتعلق بالاحتياطيات، والكشفات، والامتثال لمكافحة غسل الأموال ومعرفة العميل، والترخيص المناسب، مع وجود أمثلة مثل قانون الإرشاد وإقامة الابتكار الوطني للعملات المستقرة الأمريكية لعام 2025، الذي تم تمريره من قبل المجلس التشريعي في يونيو، والذي ينص على الشروط المتعلقة بالاحتياطيات، والاستقرار، والإشراف. تشير هذه التطورات التنظيمية إلى أن العملات المستقرة والترميز يتحركان من مناطق قانونية غير واضحة نحو أطر واضحة.
استضاف مجلس الاحتياطي الفيدرالي مؤتمرًا يركز على ابتكارات المدفوعات لاستكشاف مواضيع بما في ذلك العملات المستقرة، التمويل اللامركزي، الذكاء الاصطناعي، والترميز، مع قول الحاكم كريستوفر والر إن هذه التقنيات يمكن أن تبسط عمليات الدفع وتقوي التعاون بين القطاع الخاص. تشير هذه الاهتمام الرسمي إلى أن البنوك المركزية تعترف بالآثار المحتملة لهذه التقنيات وتدرس بشאكل نشط كيفية تقاطعها مع السياسة النقدية والاستقرار المالي.
الدينامية التنظيمية تخلق أسئلة استراتيجية مثيرة للاهتمام للبنوك. هل يجب عليهم بناء قدرات الذكاء الاصطناعي حصريًا داخل البنية التحتية المصرفية التقليدية، أم يجب عليهم أيضًا تطوير القدرات لنشر الذكاء الاصطناعي داخل بروتوكولات التمويل اللامركزي القائمة على البلوكشين؟ هل يجب عليهم إصدار عملاتهم المستقرة الخاصة للمنافسة مع المصد�
If you have any other specific sections you need translated or further instructions, please let me know!ترجمة المحتوى التالي من الإنجليزية إلى العربية.
تخطي الترجمة للروابط المطبوعة.
المحتوى: دفعها نحو الخلاصة المنطقية يسمح لنا بتصور كيف قد يبدو البنك الحقيقي المعتمد على الذكاء الاصطناعي عندما يصل التحول إلى مرحلة النضج، والتي ربما تحصل في وقت ما في أوائل ثلاثينيات القرن الحالي. هذه الرؤية تُساعد في توضيح ما يعنيه التحول الأساسي وتثير تساؤلات عميقة حول ما إذا كان مثل هذا الكيان لا يزال يُعتبر "بنكًا" بأي معنى تقليدي.
مساعدة الذكاء الاصطناعي الشاملة
في بنك يعتمد بالكامل على الذكاء الاصطناعي، يعمل كل موظف بوجود مساعد ذكي شخصي متكامل بعمق مع جميع مسارات العمل. يمكن لمصرفيي الاستثمار توجيه مساعداتهم الذكية لإعداد مواد الاجتماعات مع العملاء، وتحليل أهداف الاستحواذ المحتملة، أو صياغة جداول الشروط. يقوم التجار بإرشاد وكلاء الذكاء الاصطناعي لمراقبة الأسواق، وتنفيذ الاستراتيجيات، وتحسين المحافظ المالية. يُكلَّف مسؤولو الامتثال الذكاء الاصطناعي بمراقبة المعاملات لاكتشاف الأنماط المشبوهة، وتوليد تقارير تنظيمية، والبحث عن التغيرات التنظيمية. تُوظَّف فرق التكنولوجيا الذكاء الاصطناعي لتطوير البرمجيات، وإدارة البنية التحتية، وتحسين النظام.
لا تقتصر مهمات هذه المساعدات الذكية على الاستجابة للاستفسارات الفردية مثل الروبوتات الحالية. بل إنها تحتفظ بالسياق عبر المحادثات، وتتعرف استباقيًا على المهام التي تحتاج إلى إتمامها، وتحدد مواعيد اجتماعاتها الخاصة مع مساعدات ذكية أخرى لتنسيق العمل، وتتعلم باستمرار من التفاعلات لتتوقع بشكل أفضل الاحتياجات. يتحول دور البشر نحو تحديد الاتجاه الاستراتيجي وصنع القرارات عالية المستوى والتعامل مع المواقف التي تتطلب الحكم، والإبداع، أو المهارات الشخصية التي يفتقر إليها الذكاء الاصطناعي.
العمليات التشغيلية المستقلة
تمر العمليات المصرفية الأساسية - فتح الحساب، معالجة الدفع، تسوية التجارة، المصالحة، التقرير التنظيمي - عبر أنظمة الذكاء الاصطناعي مع تدخل بشري محدود. هذه الأنظمة لا تتبع نصوصًا جامدة بل تكيّف السلوك بناءً على السياق. إنها تحدد الشذوذات وتقرر ما إذا كان ينبغي الإشارة إليها للمراجعة البشرية أو حلها بشكل مستقل. إنها تحسّن توزيع الموارد بشكل ديناميكي بدلاً من اتباع القواعد الثابتة. إنها تحدد تحسينات العملية وتنفذ التغييرات بعد الموافقة المناسبة.
تجربة العملاء المُنسَّقة بالذكاء الاصطناعي
تمر كل تفاعل مع العملاء - سواء عبر التطبيقات المتنقلة، أو المواقع، أو المكالمات الهاتفية، أو الفروع الشخصية - عبر الذكاء الاصطناعي الذي يعزز التجربة بناءً على فهم شامل للوضع المالي للعميل، وتفضيلاته، وأهدافه، وأنماطه السلوكية. الذكاء الاصطناعي لا يقدم منتجات عامة بل يصمم الحلول وفقًا للظروف الفردية.
إدارة المخاطر الذكية
تصبح إدارة المخاطر مستمرة وشاملة ومتكيّفة بدلاً من أن تكون دورية وقائمة على القواعد. تراقب أنظمة الذكاء الاصطناعي كل معاملة، كل موقف، كل تعرض للطرف المقابل في الوقت الحقيقي. تحدد الأنماط الدقيقة التي تشير إلى المخاطر الناشئة قبل أن تتجسد في شكل خسائر. تقوم بالتحليل السنوي عبر مئات المستقبلات المحتملة، وتحديد نقاط الضعف واقتراح التخفيفات. إنها تُحسن تخصيص رأس المال لزيادة العائدات المضبوطة للمخاطر مع الامتثال التنظيمي.
الإدارة الذاتية للتداول والخزينة
يتطور التداول من اتخاذ البشر للقرارات بمساعدة الذكاء الاصطناعي إلى تنفيذ الوكلاء الذكيين للاستراتيجيات تحت إشراف بشري. هؤلاء الوكلاء لا يتبعون التعليمات فقط بل يكيفون التكتيكات بشكل ديناميكي بناءً على ظروف السوق. إنهم يكتشفون الفرص، يقيمون المخاطر، وينفذون التداولات عبر أسواق متعددة وفئات الأصول في نفس الوقت.
عمليات عالمية بلا حدود
يعمل البنك الذكي كمؤسسة موحدة عالمياً بدلاً من أن يكون مجموعة من العمليات الإقليمية. تتولى أنظمة الذكاء الاصطناعي التعاملات عبر الحدود، والتنقل بين الأنظمة التنظيمية المختلفة، وإدارة العملات المتعددة، وتحسين العمليات العالمية. تتلاشى حواجز اللغة مع تقديم الذكاء الاصطناعي للترجمة الفورية. تصبح اختلافات المناطق الزمنية غير ذات صلة حيث يعمل الذكاء الاصطناعي على مدار الساعة طوال أيام الأسبوع. تتولى أنظمة الذكاء الاصطناعي إدارة التعقيدات التنظيمية من خلال تتبع المتطلبات عبر الولايات القضائية وضمان الامتثال.
التنظيم الداخلي
يختلف التركيب التنظيمي للبنك الحقيقي ذو الذكاء الاصطناعي بشكل كبير عن البنوك التقليدية. تفسح الهياكل الهرمية الضخمة التي تشغلها البنوك التقليدية - بمستويات من الإدارة التي تشرف على فرق كبيرة من العمال الذين يقومون بوظائف متخصصة - الطريق إلى منظمات أكثر انبساطًا حيث تتولى فرق صغيرة من الخبراء المتخصصين الإشراف على أنظمة الذكاء الاصطناعي التي تنفذ العمل.حول الإنصاف والخضوع للمساءلة في الخوارزميات ودور الحكم البشري في اتخاذ القرارات المالية.
التحدي التنظيمي يثبت أنه مرهق. يضع قانون الاتحاد الأوروبي للذكاء الاصطناعي معايير عالمية عن طريق تصنيف نظم الذكاء الاصطناعي حسب المخاطر وفرض الشفافية، والإشراف البشري، والحد من التحيزات في التطبيقات المالية عالية الخطورة. ومع ذلك، تزال الأطر الشاملة قيد التطوير في معظم الولايات القضائية، ووتيرة التغير التكنولوجي تتفوق على تكيف اللوائح. وهذا يخلق عدم يقين للمؤسسات التي تستثمر مليارات في إمكانيات الذكاء الاصطناعي دون فهم واضح لمتطلبات المستقبل.
تضيف تقاطع المصارف الذكية مع التمويل القائم على تقنية البلوكشين أبعادًا أخرى لهذا التحول. يُتوقع أن تُجلب عملية الترميز حتى 16 تريليون دولار من الأصول في العالم الحقيقي إلى السلسلة بحلول عام 2030، حيث تقوم البنوك الرئيسية بالفعل بتجربة السندات والودائع المرمزة. قد ينتج عن تقاطع الذكاء الاصطناعي، والعمليات المصرفية التقليدية، والبروتوكولات اللامركزية هياكل هجينة تجمع بين كفاءة الأتمتة وشفافية البلوكشين واستقرار المؤسسات المنظمة.
سواء كانت المصارف المدعومة بالذكاء الاصطناعي حتمية أم لا، يعتمد على تعريف "مدعومة بالذكاء الاصطناعي". يبدو مؤكداً أن كل بنك رئيسي سيستخدم إمكانات الذكاء الاصطناعي بشكل كبير - فالضغط التنافسي يضمن ذلك. ومع ذلك، أن تصبح البنوك مؤسسات متصلة بالكامل بالذكاء الاصطناعي كما تتصورها JPMorgan ما زالت غير مؤكدة وستعتمد على اجتياز التحديات التقنية وتطور اللوائح وإدارة التغيير التنظيمي بنجاح.
ما هو الواضح هو أن الخدمات المصرفية في عام 2030 ستختلف اختلافًا جوهريًا عن الخدمات المصرفية اليوم. المؤسسات التي ستنبثق من هذا التحول قد تحمل تشابهات سطحية فقط مع سابقاتها، والتي ستكون قد أعادت تكوين نفسها بشكل أساسي حول الذكاء الاصطناعي. سواء أسمينا هذه الكيانات "بنوك الذكاء الاصطناعي"، "المؤسسات المالية الذكية"، أو ببساطة "البنوك" يهم أقل من الاعتراف أننا نمر بنقطة تحول حيث تعيد التكنولوجيا تعريف ما تعنيه الخدمات المصرفية وكيفية عمل الخدمات المالية بشكل أساسي.
يأتي التحول بالمخاطر إلى جانب الفرص. يمكن أن يعزز مزايا المؤسسات الكبرى، ويزيد من الاستبعاد المالي إذا استمرت نظم الذكاء الاصطناعي في التحيزات، ويخلق أشكالًا جديدة من المخاطر النظامية، ويزيح مئات الآلاف من العمال. إن إدارة هذه المخاطر مع الاستفادة من فوائد الذكاء الاصطناعي تمثل التحدي الرئيسي للصناعة، المنظمين، وصانعي السياسات.
قد يكون السؤال الأساسي هو ما إذا كانت البنوك المدعومة بالذكاء الاصطناعي تخدم العملاء والمجتمع بشكل أفضل من المؤسسات التقليدية. إذا كان الذكاء الاصطناعي يمكن أن يمكن من خدمات مالية أكثر وصولًا، وقرارات ائتمانية أكثر عدلاً، وإدارة مخاطر أفضل، وعمليات أكثر كفاءة تُترجَم إلى تخفيض التكاليف وتجارب عملاء أفضل، فإن التحول يستحق الدعم رغم الاضطراب. إذا كان الذكاء الاصطناعي يُركز السلطة، ويزيد التحيز، ويُقلل الخضوع للمساءلة، ويخدم في المقام الأول المساهمين على حساب الأطراف المعنية الأوسع نطاقاً، فإن الحذر يكون مبرراً.
لن تظهر الإجابة من التكنولوجيا ذاتها بل من الخيارات التي تتخذها المؤسسات والجهات التنظيمية حول كيفية نشر وإدارة الذكاء الاصطناعي في المجال المصرفي. تمكّن التكنولوجيا التحول، لكن البشر يحددون ما إذا كان هذا التحول يخدم الخير الاجتماعي الواسع أو المصالح الخاصة الضيقة. بينما نتنقل في هذه النقطة المفصلية، ستشكل هذه الخيارات المستقبل المالي لعقود قادمة.
البنك المدعوم بشكل حقيقي بالذكاء الاصطناعي قادم. السؤال هو أي نوع من المؤسسة ستكون ولمن ستخدمه من المصالح. الإجابة على هذا السؤال بتمعن ستحدد ما إذا كان هذا التحول يمثل تقدمًا أو مجرد تغيير.